在 AI 大模型日益普及的今天，如何让模型更精准地利用外部知识，一直是研究的热点。检索增强生成（RAG）是当前的主流方案，但其效果有时不尽如人意。今天，我们将探讨一种基于 MCP（模型上下文协议）的新思路，结合数据库来提高大模型检索外部知识（尤其是结构化数据）的精度。通过实际测试，这种方法的效果确实比传统 RAG 好很多。

市面上关于 MCP 的讲解不少，但大多停留在概念层面。最近我深入体验了 MCP，切身感受到它作为一项有意义的技术标准，确实能帮助我们解决许多以往棘手的问题。因此，本文将从一个实际案例出发，带大家深入了解 MCP。

在开始之前，我们先来看看当前流行的 RAG 技术存在哪些瓶颈。

一、背景：RAG 的局限性

RAG（Retrieval-Augmented Generation）通过结合信息检索和生成模型，旨在解决大模型在知识准确性、上下文理解和信息时效性方面的挑战。在之前的分享中（例如如何在本地部署带知识库的 DeepSeek），我们探讨过如何引入本地知识库。

然而，许多人可能对 RAG 的能力有所高估，认为只要将外部知识通过 RAG 导入，模型就能完美掌握并回答相关问题。但实践是检验真理的唯一标准，实际尝试后会发现，RAG 的精准度往往不达预期。

从 RAG 的技术原理来看，主要存在以下问题：

  • 检索精度不足：RAG 的核心流程是：知识向量化 -> 存入向量数据库 -> 用户问题向量化 -> 向量相似度匹配 -> 大模型总结检索内容。在这个过程中，大模型主要扮演“总结者”的角色，信息检索的准确性很大程度上依赖于向量匹配。这可能导致检索结果包含不相关内容（低精确率）或遗漏关键信息（低召回率）。

  • 生成内容不完整：RAG 通常处理的是文档切片（chunks）。由于切片的局部性，模型无法获取文档全貌。因此，在回答需要整合多部分信息的问题（如“列举 XXX”、“总结 XXX”）时，结果往往不完整。
  • 缺乏全局观：RAG 难以判断回答一个问题需要多少个文档切片，也无法理解文档之间的关联和依赖。例如，法律条文中，新的司法解释可能覆盖旧条款，但 RAG 很难判断哪个信息是最新的、最权威的。
  • 多轮检索能力弱：对于需要多步骤推理的任务，往往需要执行多轮、多角度的查询，而传统 RAG 在这方面的能力较弱。

尽管近期出现了一些改进技术，如 GraphRAG、KAG 等，尝试解决上述部分问题，但这些技术目前尚不成熟。总的来说，当前的 RAG 技术距离我们的理想预期仍有较大差距。

下面，我们将介绍一种新的方案：利用 MCP 结合数据库来提升结构化数据的检索精度，其效果接近于 Text-to-SQL，并且实测检索效果优于 RAG。

例如，我们有这样一份学生信息表：

我们用一个稍复杂的查询来测试：“身高在 180cm 到 190cm 之间的女生有哪些？” 通过 MCP + 数据库的方式，可以得到更精确的结果。

二、理论：了解 MCP 的基础知识

在深入 MCP 之前，我们必须先了解一个重要的前置概念：Function Call。

2.1 Function Call（函数调用）

传统的 AI 大模型，可以想象成一个知识渊博但被困在“信息孤岛”中的专家。它只能依赖自身训练数据中的知识来回答问题，无法直接获取实时数据或与外部系统（如数据库、API）交互。

Function Call 是 OpenAI 在 2023 年提出的一个重要概念。它赋予了大模型与外部世界“对话”的能力，就像给模型配备了一个“外挂工具箱”。当模型遇到自身知识无法解决的问题时（例如查询实时天气、访问数据库最新记录），它可以主动调用预定义的外部函数（工具），获取所需信息后，再整合生成最终回答。

我们在 Coze 这类零代码 Agent 搭建平台上看到的各种“插件”，其底层实现大多基于 Function Call 的思想。

Function Call 无疑极大地扩展了大模型的能力边界，但它也存在显著的缺点，尤其是在 MCP 出现之前：

  • 高昂的实现成本：
    • 模型支持：首先，需要大模型本身稳定支持 Function Call 调用。并非所有模型都具备此能力（例如在 Coze 中选择某些模型时会提示不支持插件）。
    • 专门训练：模型通常需要经过针对 Function Call 的微调才能稳定使用。标准的 ShareGPT 风格数据集中就包含了用于 Function Call 训练的特殊字段（function_call, observation, tools）。
  • 协议碎片化：OpenAI 最初提出 Function Call 时，并未将其定位为通用标准。因此，后续虽然许多模型也支持了类似功能，但各自的实现方式（如参数格式、触发逻辑、返回结构等）往往不同。这意味着开发者为实现一个 Function Call 工具，可能需要为 GPT、Claude、DeepSeek 等不同模型分别进行适配，开发和维护成本非常高。

这大大提高了 AI Agent 的开发门槛，导致过去我们更多地依赖 Dify、Coze 等封装好的平台来构建 Agent。

Function Call 核心特点与痛点：

  • 特点：
    • 模型专属：不同模型的调用规则各异。
    • 即时触发：模型解析用户意图后直接调用。
    • 简单直接：适合单一、明确的功能调用（如“查天气”）。
  • 痛点：
    • 协议碎片化：需要为每个模型开发适配层（类似不同手机的充电接口 Lightning/USB-C，互不通用）。
    • 功能扩展难：新增工具可能需要重新训练模型或调整接口。

2.2 MCP（模型上下文协议）

MCP（Model Context Protocol）是由 Anthropic 公司（Claude 模型的开发者）提出的一个开放标准协议，旨在解决 AI 模型与外部数据源、工具交互的标准化难题。

如果说 Function Call 是为特定模型打造的“专用接口”，那么 MCP 则致力于成为一个**“通用接口”**（类似于 USB 接口）。它定义了一套统一的规范，让 AI 模型无论是连接数据库、调用第三方 API，还是访问本地文件，都可以通过这套标准协议来完成交互。

MCP 的目标是让 AI 模型与外部工具、数据源的连接变得标准化、可复用。

MCP 的发展历程颇具戏剧性：最初只有 Anthropic 自家的 Claude 客户端支持，并未引起广泛关注。但随着 Cursor（与 Anthropic 关系密切的代码编辑器）的集成和推广，以及各类插件、工具的跟进支持，MCP 的影响力逐渐扩大。特别是近期 AI Agent 概念火热（如 Manus），以及连 OpenAI 也宣布支持 MCP，这标志着 MCP 正在逐步成为 AI 工具调用的**“行业标准”**。

MCP 架构简述：

  • MCP Host (如 Claude Desktop, Cursor): 用户使用的客户端工具，内置了 MCP Client。
  • MCP Client: 负责通过标准 MCP 协议与 MCP Server 通信。
  • MCP Server: 由第三方开发者提供，实现了与特定外部资源（数据库、浏览器、本地文件等）交互的逻辑。它接收来自 MCP Client 的请求，执行操作，并将结果通过标准 MCP 协议返回。

MCP 的核心价值：

  1. 标准化开发：开发者只需按照 MCP 协议开发一次 Server，理论上就能被所有兼容 MCP 的 Host 使用，无需为不同模型或平台重复编写适配代码，显著降低开发工作量。
  2. 生态共享：开发出的 MCP Server 可以开放共享，减少开发者的重复劳动。例如，一个数据库查询插件，无需在 Coze 和 Dify 上分别实现，只要两者都支持 MCP，就能使用同一个 Server。

MCP 核心特点与价值：

  • 特点：
    • 协议标准化：统一工具调用的格式（请求、响应、错误处理）。
    • 生态兼容性：一次开发，多处运行（对接所有兼容 MCP 的模型/客户端）。
    • 动态扩展：新增工具无需修改模型代码，实现“即插即用”。
  • 核心价值（解决三大痛点）：
    • 数据孤岛 → 打通本地/云端数据源。
    • 重复开发 → 工具开发者只需适配 MCP 协议。
    • 生态割裂 → 形成统一的工具市场。
    • 类比：USB-C 接口，让手机、电脑、外设通过统一标准互联互通。

2.3 MCP 对比 Function Call

特性 Function Call MCP (Model Context Protocol)
定义 模型调用外部 API 的特定实现 模型与外部工具交互的开放标准协议
标准化 低 (各模型实现不同) 高 (统一规范)
开发成本 高 (需为不同模型适配) 低 (一次开发，多处使用)
生态系统 碎片化 统一化 (潜力)
调用方式 模型直接调用预定义函数 客户端通过协议与 Server 交互
灵活性 相对固定 更灵活，易于扩展新工具
类比 不同品牌手机充电口 (Lightning/USB-C) 通用 USB-C 接口

三、尝试：学会 MCP 的基本使用

要使用 MCP 技术，我们需要两个核心组件：一个支持 MCP 协议的客户端 (Host)，以及满足我们需求的 MCP 服务器 (Server)。然后在客户端中配置并调用这些服务。

3.1 MCP 客户端 (Host)

根据 MCP 官方文档 (https://modelcontextprotocol.io/clients)，目前已有一系列工具支持 MCP 协议，主要分为几类：

  • AI 聊天工具：如 5ire, LibreChat, Cherry Studio
  • AI 编码工具：如 Cursor, Windsurf, Cline
  • AI 开发框架：如 Genkit, GenAIScript, BeeAI

官方文档还将客户端支持的 MCP 能力划分为五种（目前最常用且支持最广泛的是 Tools）：

  1. Tools: Server 暴露可执行功能，供 LLM 调用与外部系统交互。
  2. Resources: Server 暴露数据内容，供客户端读取作为 LLM 上下文。
  3. Prompts: Server 定义可复用提示模板，引导 LLM 交互。
  4. Sampling: Server 借助客户端向 LLM 发起请求，实现复杂智能行为。
  5. Roots: 客户端指定路径，告知 Server 关注哪些资源或去哪里查找。

3.2 MCP Server

MCP Server 可以简单理解为：一个轻量级程序，它通过标准化的 MCP 协议向客户端“暴露”特定的功能或数据访问能力，让大模型能够间接调用。

常见的 MCP Server 类型：

  • 文件和数据访问类：允许模型操作本地文件或数据库（如 FileSystem MCP Server, MongoDB MCP Server）。
  • Web 自动化类：允许模型控制浏览器执行任务（如 Puppeteer MCP Server）。
  • 三方工具集成类：允许模型调用外部平台 API（如 高德地图 MCP Server）。

在哪里可以找到你需要的 MCP Server？

3.3 在 Cherry Studio 中尝试 MCP

这部分笔者之前专门出过教程，所以简化

为了快速上手，我们选用对新手比较友好的 Cherry Studio 来进行第一个 MCP 接入示例。它的优点在于可以一键安装所需的底层环境（如 Node.js 等），而许多其他工具（如 Windsurf）则需要用户手动安装。

  1. 安装环境：打开 Cherry Studio 客户端，在“设置” -> “MCP 服务器”中，根据提示安装所需的环境。
  2. 添加 Server：在搜索框搜索 @modelcontextprotocol/server-filesystem，这是一个简单的文件系统访问 Server。
  3. 配置 Server：点击“+”号添加，系统会自动填充部分配置。我们需要补充一个 args 参数，指定允许访问的本地文件夹路径，例如 ~/Desktop (代表你的桌面)。
  4. 保存并启用：点击保存。如果服务器状态显示为绿灯，说明配置成功。
  5. 聊天测试：
  • 回到聊天界面，选择一个带有扳手 图标的模型（这表示该模型支持工具调用，因为 Cherry Studio 的 MCP 实现底层依赖 Function Call）。
  • 在下方的工具箱中，打开 MCP 开关。
  • 尝试提问，让模型访问你指定的文件夹，例如：“列出我桌面上的所有文件”。

如果一切顺利，模型会调用 MCP Server 并返回文件列表。

注意：Cherry Studio 对 MCP 的支持尚处早期，实测中支持的模型有限且稳定性有待提高。因此，在接下来的实战环节，我们将切换到 VSCode + Cline 的组合。不过，工具本身的选择不必过于纠结，MCP 生态发展迅猛，未来会有更多更成熟的工具涌现。核心是掌握其使用思路。

四、实战：使用 MCP 调用数据库

接下来，我们将演示如何通过 MCP 让大模型查询数据库中的结构化数据。

4.1 准备数据库 (MongoDB)

我们选择 MongoDB 作为示例数据库，它是一款流行的开源文档型数据库。

  • 为什么选择 MongoDB？ 相比关系型数据库（如 SQLite）固定的表结构，MongoDB 的文档模型（基于 JSON 格式）更加灵活。你可以轻松地在同一个“集合”（相当于表）中存储不同结构的“文档”（相当于行），方便后续补充和修改字段，这对于构建持续演化的结构化知识库非常友好。
  • 安装：
  • 连接与导入数据：
    • 打开 Compass，连接到本地运行的 MongoDB Server (通常连接字符串是 mongodb://localhost:27017/)。
    • 导入你的数据。在本文示例中，我们假设有两份数据：学生信息 (students) 和 学生分数 (scores)。
      • (此处展示导入后的数据结构截图或描述，例如：)
        • students 集合: 包含学号(_id), 姓名(name), 性别(gender), 身高(profile.height), 班级ID(classId) 等字段。
        • scores 集合: 包含学生ID(studentId), 课程ID(courseId), 平时成绩(usualScore), 期末成绩(finalScore) 等字段。
    • 提示: 如果不熟悉 MongoDB 数据导入，可以利用 AI (如 DeepSeek) 生成导入脚本。例如，提供表格数据并提问：“帮我编写一个 Node.js 脚本，将当前表格中的数据导入我本地 MongoDB 的 studentManagement 数据库下的 students 集合中。” 然后根据 AI 生成的脚本执行导入。

4.2 配置开发环境 (VSCode + Cline)

在对比了几个支持 MCP 的客户端后，Cline 是一个表现不错的选择：开源、免费、国内可直接使用，且对 MCP 的兼容性较好。但需要注意的是，Cline 本质上是 Visual Studio Code (VSCode) 的一个 AI 编码辅助插件，因此使用门槛相比 Cherry Studio 这类独立客户端稍高。

  • 背景: 许多付费的 AI 编程工具（如 Cursor, Windsurf）实际上是基于微软开源的 VSCode 进行二次开发和包装，内置了 AI 功能。Cline 则直接作为 VSCode 插件提供，支持配置多种第三方 AI API，灵活性很高。对于 AI 编程新手，VSCode + Cline 是一个推荐的入门组合。
  • 安装 Cline:
    • 打开 VSCode。
    • 在左侧扩展商店中搜索 Cline。
    • 选择下载量最高的官方版本进行安装。
  • 配置模型:
    • 安装完成后，在 VSCode 左侧活动栏找到 Cline 图标，点击打开设置。
    • 配置你使用的 AI 模型 API。Cline 支持多种模型提供商（如 OpenAI, Anthropic, Google Gemini, 以及国内的 MiniMax, Moonshot 等），按需选择并填入你的 API Key。
    • 配置完成后，可以在 Cline 的聊天窗口进行测试，确保模型能正常响应。

4.3 在 Cline 中配置 mcp-mongo-server

现在，我们需要找到并配置一个用于 MongoDB 的 MCP Server。在官方 Server 仓库或 MCP.so 上搜索，可以发现已有多个选择。这里我们选用 mcp-mongo-server (https://github.com/kiliczsh/mcp-mongo-server)。

配置步骤：

  • 打开 Cline 的 MCP 配置: 在 Cline 界面顶部找到 MCP Server 图标（可能是一个小方块或类似标识）。Cline 内置了一些常用 Server 并支持一键安装。由于 mcp-mongo-server 不在内置列表中，我们需要手动配置。点击 "Installed" 或类似标签页，然后找到并点击 "Configure MCP Servers"（或类似按钮），这会打开一个名为 mcp_servers.json (或类似名称) 的 JSON 配置文件，初始内容通常是一个空对象 {}。
  • 获取配置模板: 每个 MCP Server 的文档通常会提供其配置写法。对于 mcp-mongo-server，其文档提供了适用于 Claude Desktop 的配置，这些配置同样适用于 Cline 等支持 MCP 的客户端。
  • 理解配置参数: 文档中可能提供多种配置选项，但核心参数通常是：
    • command: 指定启动 Server 的命令行命令。在此例中，使用 npx（Node.js 包执行器）。
    • args: 一个数组，包含传递给 command 的参数。
    • 示例配置解读：
      • mongodb: 运行 mcp-mongo-server npm 包，连接到指定的 MongoDB 地址，默认为读写模式。
      • mongodb-readonly: 增加了 --read-only 参数，以只读模式运行。
      • mongodb-github: 从 GitHub 仓库直接运行，而非 npm 包。
  • 编写配置:
    • 获取连接字符串: 在 MongoDB Compass 中，找到你的 studentManagement 数据库的连接字符串。对于本地默认安装且无密码的 MongoDB，通常是 mongodb://localhost:27017/studentManagement?authSource=admin。
    • 配置 JSON: 将以下配置粘贴到 Cline 的 MCP 配置文件中：
{
  "mongodb": {
    "command": "npx",
    "args": [
      "mcp-mongo-server",
      "mongodb://localhost:27017/studentManagement?authSource=admin"
    ]
  }
}
  • 验证配置: 保存 JSON 文件。回到 Cline 的 MCP Server 管理界面，你应该能看到名为 mongodb 的 Server，并且其状态灯变为绿色，表示连接成功。
  • 确保环境: 使用 npx 命令的前提是你的电脑已安装 Node.js 环境。可以在 Node.js 官网 (https://nodejs.org/) 下载安装包一键安装。安装后，在命令行运行 npx -v 检查是否安装成功。

测试 MCP 查询：

有个学计算机的周同学，他老师的联系方式给我一下，在这个查询中，模型先找到了所有姓周的同学，然后根据这些通过的班级过滤除了计算机相关班级，最后根据班级关联的 teacherId 找到了教师信息。

4.4 通过 Prompt 优化查询效果

虽然 MCP Server 提供了数据库访问能力，但数据库的表结构对大模型来说仍是“黑箱”。模型需要猜测或先查询元数据才能构建有效查询，这可能导致出错、响应变慢和消耗更多 Token。

优化技巧：在系统提示词 (System Prompt) 或 Cline 的 Custom Instructions 中，明确告知模型数据库的表结构和关键信息。

  1. 生成表结构描述: 可以让 AI (如 DeepSeek) 帮你生成详细的表结构说明文档。例如，提供你的数据库模式，然后要求：“使用中文回复。请为我的学生管理系统 MongoDB 数据库生成详细的表结构说明文档，包含 teachers, classes, courses, students, scores 这几个集合，以及它们的字段名、类型、描述、约束和示例。” （参考原稿中提供的详细表结构 Prompt）
  2. 配置到 Cline:
  • 复制生成的表结构描述。
  • 在 Cline 的设置中找到 "Custom Instructions" 或类似选项。
  • 将描述粘贴进去，并保存 (点击 "Done")。
使用中文回复。

当用户提问中涉及学生、教师、成绩、班级、课程等实体时，需要使用 MongoDB MCP 进行数据查询和操作，表结构说明如下：

# 学生管理系统数据库表结构说明

## 1. 教师表 (teachers)

| 字段名 | 类型 | 描述 | 约束 | 示例 |
|--------|------|------|------|------|
| _id | String | 教师ID | 主键 | "T001" |
| name | String | 教师姓名 | 必填 | "张建国" |
| gender | String | 性别 | "男"或"女" | "男" |
| subject | String | 教授科目 | 必填 | "数学" |
| title | String | 职称 | 必填 | "教授" |
| contact.phone | String | 联系电话 | 必填 | "13812345678" |
| contact.office | String | 办公室位置 | 必填 | "博学楼301" |
| contact.wechat | String | 微信(可选) | 可选 | "lily_teacher" |
| isHeadTeacher | Boolean | 是否为班主任 | 可选 | true |

## 2. 班级表 (classes)

| 字段名 | 类型 | 描述 | 约束 | 示例 |
|--------|------|------|------|------|
| _id | String | 班级ID | 主键 | "202301" |
| className | String | 班级名称 | 必填 | "2023级计算机1班" |
| grade | Number | 年级 | 必填 | 2023 |
| headTeacherId | String | 班主任ID | 外键(teachers._id) | "T003" |
| classroom | String | 教室位置 | 必填 | "1号楼302" |
| studentCount | Number | 学生人数 | 必填 | 35 |
| remark | String | 备注信息 | 可选 | "市级优秀班集体" |

## 3. 课程表 (courses)

| 字段名 | 类型 | 描述 | 约束 | 示例 |
|--------|------|------|------|------|
| _id | String | 课程ID | 主键 | "C001" |
| courseName | String | 课程名称 | 必填 | "高等数学" |
| credit | Number | 学分 | 必填 | 4 |
| teacherId | String | 授课教师ID | 外键(teachers._id) | "T001" |
| semester | String | 学期 | 格式"YYYY-N" | "2023-1" |
| type | String | 课程类型 | "必修"或"选修" | "必修" |
| prerequisite | String | 先修课程ID | 可选,外键(courses._id) | "C003" |

## 4. 学生表 (students)

| 字段名 | 类型 | 描述 | 约束 | 示例 |
|--------|------|------|------|------|
| _id | String | 学号 | 主键 | "S20230101" |
| name | String | 学生姓名 | 必填 | "王强" |
| gender | String | 性别 | "男"或"女" | "男" |
| birthDate | Date | 出生日期 | 必填 | new Date("2005-01-15") |
| enrollmentDate | Date | 入学日期 | 必填 | new Date(2023, 8, 1) |
| classId | String | 班级ID | 外键(classes._id) | "202301" |
| contact.phone | String | 联系电话 | 必填 | "13812345678" |
| contact.email | String | 电子邮箱 | 必填 | "20230101@school.edu.cn" |
| contact.emergencyContact | String | 紧急联系人电话 | 必填 | "13876543210" |
| address | String | 家庭住址 | 必填 | "北京市海淀区中关村大街1栋101室" |
| profile.height | Number | 身高(cm) | 必填 | 175 |
| profile.weight | Number | 体重(kg) | 必填 | 65 |
| profile.healthStatus | String | 健康状况 | 必填 | "良好" |

## 5. 成绩表 (scores)

| 字段名 | 类型 | 描述 | 约束 | 示例 |
|--------|------|------|------|------|
| _id | String | 成绩记录ID | 主键 | "S20230101C001" |
| studentId | String | 学生ID | 外键(students._id) | "S20230101" |
| courseId | String | 课程ID | 外键(courses._id) | "C001" |
| score | Number | 综合成绩 | 0-100 | 85 |
| examDate | Date | 考试日期 | 必填 | new Date(2024, 5, 20) |
| usualScore | Number | 平时成绩 | 70-100 | 90 |
| finalScore | Number | 期末成绩 | 0-100 | 80 |

### 补考成绩记录说明
补考记录在_id后添加"_M"后缀，如"S20230101C001_M"

## 表关系说明

1. **一对多关系**:
   - 一个班级(classes)对应多个学生(students)
   - 一个教师(teachers)可以教授多门课程(courses)
   - 一个学生(students)有多条成绩记录(scores)

2. **外键约束**:
   - students.classId → classes._id
   - courses.teacherId → teachers._id
   - scores.studentId → students._id
   - scores.courseId → courses._id
   - classes.headTeacherId → teachers._id

4.5 对比 RAG 知识库

为了直观感受效果差异，我们将同样的数据集导入基于 RAG 的知识库进行对比。

  • 简单表查询 (单表信息): 使用 Coze 的知识库功能导入学生信息表。对于简单的单表查询（如“王强同学的基本信息”），RAG 可能表现尚可。
  • 复杂查询 (多条件、跨表): 尝试之前在 MCP 中测试成功的复杂问题，例如“身高 180-190cm 的女生有哪些？” 或 “哪些同学期末考试比平时成绩好？”
    • 结果：在 Coze 的 RAG 知识库中，对于这类需要精确匹配和逻辑推理的结构化数据查询，模型往往难以给出准确答案，结果可能含糊不清或完全错误。

结论：对比非常明显。在处理结构化数据的检索场景下，MCP + 数据库 的方式在精度和能力上显著优于传统的 RAG 方法。

4.6 目前的局限性

尽管前景看好，但目前基于 MCP + 数据库的方案仍存在一些局限性：

  1. 大数据量查询的成本和性能：与 RAG 每次只检索相关文本片段不同，MCP + 数据库的方式会实际执行数据库查询 (类似 SQL)。如果查询返回的数据量非常大，可能会导致：
  • 高昂的 Token 消耗：大量数据需要传递给大模型进行处理和总结。
  • 性能问题：可能导致 MCP 客户端响应缓慢甚至卡死。因此，应避免让 AI 一次性检索过大的数据集。
  • Token 消耗增加：许多 MCP 客户端（包括 Cline）为了实现模型与 Server 的通信，依赖于复杂的系统提示词 (System Prompt)。这意味着一旦启用 MCP，即使是简单的交互，Token 的消耗量也可能比普通聊天大幅增加。

五、总结与展望

在此之前，基于 Function Call + Text2SQL 的方案也有尝试，但因开发成本高、准确性难以保证等问题未能普及。

而我们今天学习的 MCP + 数据库 模式，真正意义上降低了结构化数据接入 AI 的门槛（甚至可以零代码实现），并且查询准确性非常高。

尽管目前还存在一些局限性（如大查询成本、Token 消耗），但其潜力巨大。我们有理由相信，未来这种模式将在智能客服、仓储管理、信息管理系统等重度依赖结构化数据检索的场景中，成为一种非常热门甚至主流的查询方式，很可能会在这些特定领域替代传统 RAG 的地位。

MCP 生态正在快速发展，未来可期！

   如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

 

 

# 人工智能 # 深度学习 # 自然语言处理
Logo
MCP技术社区

欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！

更多推荐

【MCP】从0到1实现一个MCP Client

青蛇》01 MCP回顾MCP全称Model Context Protocol，模型上下文协议。上一篇文章【MCP】从0到1实现一个MCP Server 我们介绍了如何从0~1实现一个自定义的 MCP Server，感兴趣的朋友可以点击文章链接回顾下或者查看下。02 MCP Client本质。

avatar MCP技术社区
cover

让 AI 更懂 Ant Design：MCP 协议在前端领域的落地实践，收藏这一篇就够了！！

avatar MCP技术社区
cover

【手把手教你】基于 MCP协议 的 AI Agent 应用开发实践

avatar MCP技术社区